modules/user_profiler.py

"""
================================================================================
AKIRA V21 ULTIMATE - USER PROFILER (DOSSIÊ PSICOLÓGICO)
================================================================================
Módulo responsável pela coleta agressiva (mas silenciosa) de dados dos usuários.
Analisa conversas e extrai: Nomes, Endereços, Gostos, Gatilhos Emocionais,
Estilo de fala e outras preferências. Armazena tudo no banco de dados para
compor a resposta da Akira.
"""

import json
import logging
import threading
import time
from typing import Dict, Any, Optional

try:
    from .database import Database
    from . import config
except ImportError:
    import sys
    import os
    sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
    from modules.database import Database
    from modules import config

logger = logging.getLogger(__name__)

class UserProfiler:
    _instance = None
    _lock = threading.Lock()

    def __new__(cls):
        if cls._instance is None:
            with cls._lock:
                if cls._instance is None:
                    cls._instance = super().__new__(cls)
                    cls._instance._initialized = False
        return cls._instance

    def __init__(self):
        if self._initialized:
            return
        
        self.db = Database()
        self._initialized = True
        logger.info("🟢 UserProfiler (Dossiê) inicializado.")

    def _get_profile_key(self, user_id: str) -> str:
        return f"dossie_psicologico_{user_id}"

    def get_user_profile(self, user_id: str) -> Dict[str, Any]:
        """Retorna o dossiê completo do usuário."""
        try:
            dados = self.db.recuperar_aprendizado_detalhado(user_id, self._get_profile_key(user_id))
            if dados:
                if isinstance(dados, str):
                    return json.loads(dados)
                return dados
        except Exception as e:
            logger.warning(f"Erro ao recuperar dossiê de {user_id}: {e}")
        
        # Estrutura padrão de perfil vazio
        return {
            "nome_conhecido": "",
            "estilo_comunicacao": "Desconhecido",
            "gatilhos_emocionais": [],
            "preferencias": [],
            "dados_pessoais": [],
            "ultima_analise": 0
        }

    def _save_user_profile(self, user_id: str, profile: Dict[str, Any]) -> None:
        """Salva o dossiê no banco de dados."""
        try:
            profile["ultima_analise"] = time.time()
            self.db.salvar_aprendizado_detalhado(
                user_id, 
                self._get_profile_key(user_id), 
                json.dumps(profile, ensure_ascii=False)
            )
        except Exception as e:
            logger.error(f"Erro ao salvar dossiê de {user_id}: {e}")

    def extrair_dados_assincrono(self, user_id: str, mensagem_usuario: str, resposta_bot: str, llm_manager=None):
        """Dispara a extração de dados em background usando a thread pool ou thread simples."""
        thread = threading.Thread(
            target=self.analisar_e_atualizar_perfil, 
            args=(user_id, mensagem_usuario, resposta_bot, llm_manager),
            daemon=True
        )
        thread.start()

    def analisar_e_atualizar_perfil(self, user_id: str, mensagem: str, resposta: str, llm_manager=None) -> None:
        """
        Analisa a última interação para atualizar o dossiê.
        Usa o LLM (se disponível) para extração silenciosa ou heurísticas avançadas.
        """
        if not mensagem or len(mensagem.strip()) < 3:
            return

        perfil_atual = self.get_user_profile(user_id)
        
        # Limite de processamento para não onerar APIs (1 vez a cada 30 mensagens aprox)
        # Vamos fazer inferência simples para coletar nomes
        mens_lower = mensagem.lower()
        atualizou = False

        # 1. Extração Hardcoded Básica (Fallback rápido)
        # "me chamo X", "o meu nome é Y"
        import re
        nome_match = re.search(r'(me chamo|meu nome é|sou o|sou a) ([A-Za-zÀ-ÿ]+)', mens_lower)
        if nome_match and not perfil_atual["nome_conhecido"]:
            perfil_atual["nome_conhecido"] = nome_match.group(2).capitalize()
            atualizou = True

        # 2. Uso do LLM para Extração Agressiva Profunda (Dossiê)
        # Limite de frequência: Apenas 1 a cada 10 mensagens (ou se for muito longa > 150 chars)
        import random
        deve_usar_llm = (random.random() < 0.1) or (len(mensagem) > 150)
        
        if llm_manager is not None and deve_usar_llm:
            # Monta prompt apenas para sumarizar a pessoa
            prompt_extracao = f"""
            Você é um analista comportamental silencioso. Analise a seguinte mensagem enviada por um usuário.
            Extraia quaisquer informações relevantes (preferências, gostos, forma de se expressar, estado emocional implícito).
            Responda APENAS com um JSON simples com chaves: "novas_preferencias" (lista), "estilo" (string), "emocional" (string).
            Mensagem do usuário: "{mensagem}"
            """
            
            try:
                # Usa método síncrono da API configurada no projeto (ex: mistral)
                # Como é background, pedimos via providers mais rápidos
                provider = llm_manager.providers[0] if llm_manager.providers else None
                if provider:
                    # Este try/except assume a estrutura do LLMManager de api.py
                    # Em caso de falha, ignora e segue a vida.
                    # 🔧 CORREÇÃO: Usando 'generate' em vez de 'generate_response'
                    resp_analise, _ = llm_manager.generate(
                        prompt_extracao, 
                        context_history=[], 
                        is_privileged=True
                    )
                    if resp_analise and resp_analise.strip().startswith('{'):
                        try:
                            dados_extraidos = json.loads(resp_analise)
                            if "novas_preferencias" in dados_extraidos and isinstance(dados_extraidos["novas_preferencias"], list):
                                for pref in dados_extraidos["novas_preferencias"]:
                                    if pref not in perfil_atual["preferencias"]:
                                        perfil_atual["preferencias"].append(pref)
                                        atualizou = True
                            
                            if "estilo" in dados_extraidos and len(dados_extraidos["estilo"]) > 4:
                                perfil_atual["estilo_comunicacao"] = dados_extraidos["estilo"]
                                atualizou = True
                                
                        except json.JSONDecodeError:
                            pass
            except Exception as e:
                logger.debug(f"Falha na extração LLM para dossiê: {e}")

        # Mantém listas em tamanho saudável
        if len(perfil_atual["preferencias"]) > 20:
            perfil_atual["preferencias"] = perfil_atual["preferencias"][-20:]

        if atualizou:
            self._save_user_profile(user_id, perfil_atual)

def get_user_profiler() -> UserProfiler:
    """Factory para instanciar o Profiler."""
    return UserProfiler()